首页|基于YOLO v3的落水人员检测

基于YOLO v3的落水人员检测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对落水人员所处水域的复杂性以及波纹、阳光等因素导致对落水人员检测的准确率较低,以及在检测小目标时,经典检测算法易出现误检漏检情况,提出一种改进的YOLO v3目标检测算法.使用k-means++聚类算法对自有落水人员数据集进行聚类,得到更适合落水人员的锚框,从而提高检测速度与精度;在网络中加入通道注意力机制模块,其关注通道信息,可以学习到不同通道特征的重要程度,根据重要程度为每个通道分配相应的权重,从而让网络关注重要的特征,抑制不重要的特征,提高重要特征的表征能力;引入感受野模块(RFB)来增大浅层特征图的感受野,从而提高小目标检测精度.最后,在自制的落水人员数据集上对该算法进行了验证,结果表明,该算法在检测效果上优于原始YOLO v3.
Detection of People Falling into Water Based on YOLO v3

许晓峰、陈姚节、刘恒

展开 >

武汉科技大学 计算机科学与技术学院,湖北 武汉 430065

智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065

YOLO v3 聚类 感受野模块 注意力机制 目标检测

国家自然科学基金

U1803262

2022

10.3969/j.issn.1673-629X.2022.08.008

计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
年,卷(期)：2022.32(8)
  • 1
  • 4